基于卷积神经网络的人脸表情和性别识别

发布时间：2017-05-01 01:09

  本文关键词：基于卷积神经网络的人脸表情和性别识别，由笔耕文化传播整理发布。

【摘要】：人脸包含性别、表情、身份、年龄等大量信息,在公共社会安全、经济财产安全、军事、反恐刑侦、人机交互等电子信息安全领域发展的迫切驱动下,人脸表情和性别识别技术已经成为一项极具发展潜力的前沿技术,也是当前计算机视觉领域的研究热点。让计算机具有人的智能,代替人类进行记忆、识别,实现真正的智能时代具有十分重要的应用价值。然而人脸表情和性别识别技术也是计算机视觉领域的难点所在,其主要原因是人脸图像在获取过程中,受到光照、表情、姿态、遮挡物等环境因素以及拍摄行为等因素的影响。因而,一个出色的人脸表情和性别识别算法应该对这些因素不敏感。卷积神经网络是一种新型的神经网络,它将传统的人工神经网络和深度学习技术相结合,具有局部感受野区域、层次结构化、特征提取和分类过程相结合的全局训练特点,在图像处理领域取得了巨大的成功。卷积神经网络主要有两个特性,第一个是神经元之间采用局部连接策略,第二个是同一层之间的神经元权值共享,采取局部连接和权值共享的网络结构降低了模型本身的复杂度,减少了需要训练的参数个数,这种网络结构可以获得某种程度上的平移、尺度和形变不变性。本论文的主要工作如下：1、首先系统的阐述了当前人脸表情识别和性别识别的国内外研究现状,概述了深度学习的起源以及取得的一些成果。然后介绍了神经网络的发展历程,着重介绍了卷积神经网络的算法原理和经典的网络结构。2、本论文主要研究了基于卷积神经网络下的人脸表情和性别识别。针对表情识别,首先根据人脸表情任务的特点,修改了AlexNet网络结构,设计了一个新的卷积神经网络结构,并在网络中添加了批规范化层,使得准确率有3%左右的提升；然后根据表情识别采用的数据集样本数量,采用了微调的训练机制,在GoogLeNet上,与从头训练的方式相比,准确率有了2%左右的提升,并且在使用VGGNet进行微调时,准确率达到了最高的71.27%,证明了针对本文使用的数据集,微调的策略优于重新训练；在利用GoogLeNet进行微调实验时,还比较了Hinge损失函数和Softmax损失函数的性能,发现后者优化前者；最后针对现在的研究趋势,设计了一个多网络来进行融合,通过实验发现,在较小的数据集上,多网络的性能比单网络差。针对性别识别,在VGGNet的基础上,设计了一个3层的卷积神经网络,在adience数据集上,准确率达到了90.82%,在mygender数据集上准确率达到了97.10%；然后利用VGGNet在mygender数据集上进行微调,准确率达到了99.44%。3、本文使用卷积神经网络在人脸表情和性别数据集上训练得到的模型,然后在Windows 7平台上利用dlib和Caffe等工具搭建了人脸表情和性别识别系统,可以用该系统实时准确地进行检测识别,并对接下来的工作进行了展望。
【关键词】：卷积神经网络 微调 表情识别 性别识别
【学位授予单位】：安徽大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.41;TP183
【目录】：

• 摘要3-5
• Abstract5-9
• 第一章 绪论9-14
• 1.1 研究背景及意义9-11
• 1.2 国内外研究现状11-12
• 1.3 本文组织结构12-14
• 第二章 卷积神经网络相关基础知识14-28
• 2.1 感知机14-16
• 2.2 反向传播算法16-19
• 2.3 Hopfield神经网络19-21
• 2.4 卷积神经网络的特点21-23
• 2.5 池化23-24
• 2.6 Softmax回归24-25
• 2.7 卷积神经网络结构25-27
• 2.8 本章小结27-28
• 第三章 基于卷积神经网络的人脸表情识别和性别识别28-47
• 3.1 FER2013表情库和性别识别库28-30
• 3.2 基于卷积神经网络的表情识别30-38
• 3.2.1 基于浅层卷积神经网络的表情识别30-33
• 3.2.2 基于微调的表情识别33-36
• 3.2.3 基于改进卷积神经网络的表情识别36-38
• 3.3 基于卷积神经网络的性别识别38-40
• 3.3.1 基于浅层卷积神经网络的性别识别38-39
• 3.3.2 基于微调的性别识别39-40
• 3.4 实验结果与分析40-46
• 3.4.1 关于人脸表情识别实验的结果与分析40-45
• 3.4.2 关于人脸性别识别实验的结果与分析45-46
• 3.5 本章小结46-47
• 第四章 人脸表情和性别识别系统实现47-52
• 4.1 人脸表情和性别识别系统47-51
• 4.1.1 系统的开发环境47
• 4.1.2 系统模块流程47-48
• 4.1.3 系统功能及运行效果48-51
• 4.2 本章小结51-52
• 第五章 总结与展望52-54
• 5.1 工作总结52-53
• 5.2 工作展望53-54
• 参考文献54-59
• 致谢59-60
• 攻读硕士学位期间发表的论文及参与的科研项目60

【参考文献】

中国期刊全文数据库 前1条

1 余凯;贾磊;陈雨强;徐伟;;深度学习的昨天、今天和明天[J];计算机研究与发展;2013年09期

中国硕士学位论文全文数据库 前3条

1 施徐敢;基于深度学习的人脸表情识别[D];浙江理工大学;2015年

2 汪济民;基于卷积神经网络的人脸检测和性别识别研究[D];南京理工大学;2015年

3 柳华;静态图像中人脸表情和性别识别的研究[D];济南大学;2010年

  本文关键词：基于卷积神经网络的人脸表情和性别识别，由笔耕文化传播整理发布。

，

本文编号：337946